La revisione dell’informazione prospettica

Siamo un laboratorio di ricerca dell’Università di Firenze e abbiamo messo a punto un innovativo processo di valutazione dei piani industriali, per attribuire loro uno scoring di solvibilità prospettico. Con l’obiettivo di superare i limiti di approcci backward-looking nella valutazione dei piani aziendali, 4scoring si basa su modelli avanzati di Intelligenza Artificiale per revisionare l’informazione prospettica ed elaborare rating di natura intrinsecamente forward-looking.

La revisione dell’informazione prospettica è sempre più importante

Il Contesto

L’informazione finanziaria prospettica sta acquisendo sempre più importanza nel mondo aziendale e professionale. Molte istituzioni stanno lavorando ormai da anni su questo tema e hanno sviluppato generiche linee guida di revisione dell’informazione prospettica. A livello nazionale si veda (ISA 570; OIV – 2021). I soggetti più motivati sono:

 

Istituti di credito

che da tempo si sono accorti dei limiti degli odierni sistemi di scoring e dei danni che essi generano al mercato (pro ciclicità). EBA obbliga le banche a sviluppare modelli innovativi per la valutazione del merito creditizio, che sviluppino una “visione d’insieme” del cliente.

Il legislatore europeo

che attraverso la Direttiva Insolvency (UE 2019/1023) ha obbligato le imprese e chi le governa a monitorare l’insorgenza di segnali di crisi finanziaria. La Direttiva è stata recepita in Italia attraverso il Codice della Crisi e dell’Insolvenza d’Impresa, il quale pone obblighi di monitoraggio preventivo in capo ad amministratori e revisori (si veda ad es. art 3 CCII).

Incubatori e Fondi di Venture Capital

vi è una nutrita platea di soggetti che sono interessati a valutare le start-up, che evidentemente non dispongono di materiale contabile storico. Quindi, la valutazione di queste realtà necessita di essere sviluppata con una impostazione forward-looking.

Il processo

Step 1: Raccolta e organizzazione dei dati

Abbiamo elaborato un framework di analisi delle assumption che costituisce la base del lavoro di revisione. Per ogni variabile più significativa del piano, vengono raccolti i dati sui driver che influenzano le stime aziendali. Queste vengono poi sottoposte ad un’analisi di coerenza con i driver sotto il profilo storico e prospettico. Questo processo permette di individuare il peso dei driver sottostanti alle previsioni.

Step 2: L’addestramento del modello di AI

Abbiamo addestrato un modello di intelligenza artificiale che, seguendo le regole del framework, è capace di individuare le relazioni complesse tra le variabili. Il modello quantifica il legame storico e prospettico tra le stime e i driver in termini di coerenza strategica, competitiva e interna. Questo lavoro ci permette di generare una stima del bias di previsione e del relativo intervallo di variabilità.

Step 3: La stima forward-looking della PD

Un modello matematico proprietario di stampo probabilistico utilizza le informazioni generate al punto precedente per simulare molteplici scenari futuri di prevedibile andamento del business. Successivamente, considerando il flusso di cassa e il debito per ogni scenario, il modello calcola la probabilità che il piano si manifesti in situazioni che conducano l’impresa verso il default. Infine, il modello aggiorna il prevedibile costo futuro del denaro e ridetermina gli scenari in default mediante un processo iterativo. Il punto di equilibrio è il tasso di minima convenienza per la banca.

Step 4: Valutazione dei risultati e azioni correttive

L’analisi dei risultati ottenuti consente l’eventuale riprogrammazione di interventi correttivi sulle variabili oggetto di stima e di ulteriori operazioni di stress-test. Aggiornando le informazioni inserite (tornando al punto 2), è possibile ripetere l’intero processo di stima, valutando i risultati di differenti alternative di investimento e di finanziamento.

I progetti

I campi di utilizzo

Valutazioni di investimento e finanziamento

per pervenire alla stima del pricing attraverso un approccio forward-looking, evitando i classici problemi di azzardo morale e pro-ciclicità.

Il team

Francesco Dainelli
Francesco Dainelli coordinatore sciantifico
Professore Associato in Economia Aziendale presso l’Università degli Studi di Firenze.
Gianmarco Bet
Gianmarco Bet Supervisione del modello matematico
Ricercatore in Probabilità e Statistica matematica presso l’Università degli Studi di Firenze
Alessio Mengoni
Alessio Mengoni Membro operativo
Dottorando di Ricerca in Economia Aziendale e Management presso l'Università degli Studi di Pisa

Innovazione e previsione: Il nuovo standard di 4Scoring per la solvibilità aziendale.

Copyright: © 2024 Lumi WordPress theme by UiCore. All Rights Reserved.

Follow us on social media